摘要： 本文梳理了自动驾驶感知任务中常用的公开数据集，涵盖综合感知（KITTI/nuScenes/Waymo/BDD100K）、语义/实例分割（Cityscapes/Mapillary）、车道线检测（TuSimple/CULane/LLAMAS）与车牌识别（CCPD/OpenALPR），横向对比各数据集的传感器配置、标注类型、场景规模与授权限制，并总结了按任务选型的方法以及商用授权、地域差异、隐私合规等常见注意事项，帮助读者快速定位适合自身项目的数据集。
一、综合感知：目标检测 + 分割（一套数据多任务复用）
这几个数据集覆盖面广，一份数据往往能同时支撑检测、分割、跟踪等多个任务，是搭建感知 pipeline 的主力。
- KITTI Vision Benchmark Suite：自动驾驶领域的经典基准，采集自德国卡尔斯鲁厄的城市、乡村与高速场景。覆盖 2D/3D 目标检测、多目标跟踪、语义与实例分割、道路检测、深度估计等多项任务。授权为 CC BY-NC-SA 3.0，仅限非商用，需署名。
- nuScenes：由 Motional 发布的多模态数据集，配备 6 路相机、激光雷达与毫米波雷达，含 1000 个场景及密集 3D 标注（具体场景数、3D 框数、类别数以官方页面为准）。配套的 nuImages 专门提供 2D 图像的检测与分割标注。需注册账号并同意官方 Terms of Use 后下载，非商用授权。
- Waymo Open Dataset：含 Perception（2030 段、约 39 万帧，12.6M 个 3D 框、11.8M 个 2D 框，23 类语义分割）与 Motion 等子集，多传感器、多地域。官方明确为非商用授权（具体规模以官方页面为准）。
- BDD100K：伯克利发布的大规模驾驶视频数据集，10 万段视频、覆盖 10 类任务，包括目标检测、语义/实例分割、车道线、可行驶区域分割、跟踪等，地域与天气多样。代码仓采用 BSD-3-Clause，数据下载与具体条款以官方说明为准。
二、语义/实例分割（像素级标注）
- Cityscapes：城市街景像素级分割的标杆，含 5000 张精标 + 20000 张粗标图像，覆盖 50 个城市、30 个类别，支持语义、实例与全景分割。免费提供给学术与非学术机构用于非商用目的，商用需另行同意许可条款，下载需注册。
- Mapillary Vistas：全球众包采集的街景分割数据集，地域覆盖远超单一城市数据集，含语义与实例分割标注，类别数随版本不同（具体图像数与类别以官方页面为准）。采用 CC BY-NC-SA（非商用）授权，下载需在官方页面注册。
三、车道线检测（专用数据集）
通用数据集里 BDD100K 自带车道线标注，但若专攻车道线，下面这几个更对口：
- TuSimple：CVPR 2017 车道线检测挑战赛数据集，以高速公路场景为主，标注以折线点形式给出。代码仓为 Apache-2.0，数据与真值通过仓库 Issues 页协调下载。
- CULane：香港中文大学发布，采集自北京，含 133235 帧、覆盖正常与 8 类挑战场景（夜间、拥堵、阴影等），含遮挡车道的上下文补全标注。仅限非商用，需署名，禁止再分发，通过 Google Drive 或百度云下载。
- LLAMAS：高速公路车道线数据集，10 万余张图像，借助高精地图自动投影生成标注（无需逐帧人工画线）。非商用授权、需署名，下载需注册登录。
四、车牌识别（强地域属性，注意隐私）
车牌几乎绑定国家与地区格式，选数据集前先确认目标地域：
- CCPD（中国城市停车数据集）：面向中国车牌的检测与识别，ECCV 2018 发布，含 30 万张以上图像，涵盖模糊、倾斜、远景、新能源绿牌等多个子集，标注信息编码在文件名中。MIT 授权，通过 Google Drive 或百度云下载。做中国车牌优先选它。
- OpenALPR Benchmarks：OpenALPR 项目配套的车牌基准测试数据，含检测、端到端、分割与 OCR 等测试集（具体地域覆盖以仓库内容为准）。注意其授权为 AGPL-3.0，对衍生作品与分发有较强约束，商用集成前务必读清条款。
| 数据集 | 传感器配置 | 标注类型 | 场景规模 | 授权类型 | 主要特点 / 限制 |
|---|---|---|---|---|---|
| KITTI | 1×激光雷达 + 2×彩色/灰度相机 | 2D/3D 目标检测、多目标跟踪、语义/实例分割、道路检测、深度估计 | 约 50 个视频序列，城市/乡村/高速 | CC BY-NC-SA 3.0（非商用、需署名） | 经典基准，任务覆盖广；场景规模相对较小 |
| nuScenes | 6×相机 + 1×激光雷达 + 5×毫米波雷达 | 3D 目标检测、跟踪（23 类 1.4M 框）；nuImages 提供 2D 检测与分割 | 1000 个场景（城市，波士顿/新加坡） | 注册后非商用授权 | 多模态融合强，密集标注；场景多样性一般 |
| Waymo Open | 5×激光雷达 + 5×相机（多传感器） | 3D 检测/跟踪（12.6M 框）、2D 检测（11.8M 框）、23 类语义分割 | 2030 段 / 约 39 万帧，多地域（城区+郊区） | 非商用授权 | 规模最大，多地域覆盖；下载需谷歌云，体积大 |
| BDD100K | 单目摄像头（车载） | 目标检测、语义/实例分割、车道线、可行驶区域分割、跟踪等 10 类任务 | 10 万段视频，覆盖多种天气/地域 | 代码 BSD-3-Clause；数据以官方条款为准 | 任务最全、规模大、场景丰富；传感器单一 |
五、怎么选，以及常见的坑
以下是一个简化的数据集选型决策流程图，帮你快速按任务和常见约束定位合适的公开数据集：
#mermaid-svg-0caozKxxeCaxDhsD{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-0caozKxxeCaxDhsD .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-0caozKxxeCaxDhsD .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-0caozKxxeCaxDhsD .error-icon{fill:#552222;}#mermaid-svg-0caozKxxeCaxDhsD .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-0caozKxxeCaxDhsD .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-0caozKxxeCaxDhsD .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-0caozKxxeCaxDhsD .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-0caozKxxeCaxDhsD .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-0caozKxxeCaxDhsD .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-0caozKxxeCaxDhsD .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-0caozKxxeCaxDhsD .marker{fill:#333333;stroke:#333333;}#mermaid-svg-0caozKxxeCaxDhsD .marker.cross{stroke:#333333;}#mermaid-svg-0caozKxxeCaxDhsD svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-0caozKxxeCaxDhsD p{margin:0;}#mermaid-svg-0caozKxxeCaxDhsD .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-0caozKxxeCaxDhsD .cluster-label text{fill:#333;}#mermaid-svg-0caozKxxeCaxDhsD .cluster-label span{color:#333;}#mermaid-svg-0caozKxxeCaxDhsD .cluster-label span p{background-color:transparent;}#mermaid-svg-0caozKxxeCaxDhsD .label text,#mermaid-svg-0caozKxxeCaxDhsD span{fill:#333;color:#333;}#mermaid-svg-0caozKxxeCaxDhsD .node rect,#mermaid-svg-0caozKxxeCaxDhsD .node circle,#mermaid-svg-0caozKxxeCaxDhsD .node ellipse,#mermaid-svg-0caozKxxeCaxDhsD .node polygon,#mermaid-svg-0caozKxxeCaxDhsD .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-0caozKxxeCaxDhsD .rough-node .label text,#mermaid-svg-0caozKxxeCaxDhsD .node .label text,#mermaid-svg-0caozKxxeCaxDhsD .image-shape .label,#mermaid-svg-0caozKxxeCaxDhsD .icon-shape .label{text-anchor:middle;}#mermaid-svg-0caozKxxeCaxDhsD .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-0caozKxxeCaxDhsD .rough-node .label,#mermaid-svg-0caozKxxeCaxDhsD .node .label,#mermaid-svg-0caozKxxeCaxDhsD .image-shape .label,#mermaid-svg-0caozKxxeCaxDhsD .icon-shape .label{text-align:center;}#mermaid-svg-0caozKxxeCaxDhsD .node.clickable{cursor:pointer;}#mermaid-svg-0caozKxxeCaxDhsD .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-0caozKxxeCaxDhsD .arrowheadPath{fill:#333333;}#mermaid-svg-0caozKxxeCaxDhsD .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-0caozKxxeCaxDhsD .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-0caozKxxeCaxDhsD .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-0caozKxxeCaxDhsD .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-0caozKxxeCaxDhsD .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-0caozKxxeCaxDhsD .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-0caozKxxeCaxDhsD .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-0caozKxxeCaxDhsD .cluster text{fill:#333;}#mermaid-svg-0caozKxxeCaxDhsD .cluster span{color:#333;}#mermaid-svg-0caozKxxeCaxDhsD div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-0caozKxxeCaxDhsD .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-0caozKxxeCaxDhsD rect.text{fill:none;stroke-width:0;}#mermaid-svg-0caozKxxeCaxDhsD .icon-shape,#mermaid-svg-0caozKxxeCaxDhsD .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-0caozKxxeCaxDhsD .icon-shape p,#mermaid-svg-0caozKxxeCaxDhsD .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-0caozKxxeCaxDhsD .icon-shape .label rect,#mermaid-svg-0caozKxxeCaxDhsD .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-0caozKxxeCaxDhsD .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-0caozKxxeCaxDhsD .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-0caozKxxeCaxDhsD :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 检测/跟踪/分割多任务
语义/实例分割
车道线检测
车牌识别
仅相机
需要3D
全球
城市
高速
城市+挑战
中国
多地区
开始选型
确定任务
是否需要3D/多传感器？
地域覆盖？
场景类型？
目标地域？
BDD100K
nuScenes / Waymo / KITTI（均为非商用）
Mapillary Vistas
Cityscapes
TuSimple / LLAMAS
CULane
CCPD
OpenALPR（注意AGPL商用约束）
按任务与是否商用来选： 想一份数据覆盖检测+分割+跟踪，优先 BDD100K（任务最全）或 nuScenes/Waymo（多传感器、3D 强）；只做像素级分割，Cityscapes 是标杆、Mapillary 地域更广；车道线专项看 CULane/TuSimple/LLAMAS；中国车牌几乎只看 CCPD。特别注意：上面绝大多数（KITTI、nuScenes、Waymo、Cityscapes、Mapillary、CULane、LLAMAS）都是非商用授权，真要做商业产品，必须回到官方页面确认许可，或寻求商用授权，切勿想当然。
几个反复踩的坑： 一是标注格式不统一------KITTI、COCO、各家 JSON、文件名编码（CCPD）互不兼容，跨数据集训练前要先做格式转换与类别映射；二是商用授权红线，学术数据集拿去商用是常见的合规风险；三是地域差异，欧美场景训练的模型在中国道路（车型、标线、招牌、车牌）上往往掉点，跨地域要做域适应；四是车牌涉及个人隐私与车辆信息，采集、存储与公开使用都要遵守当地数据保护法规，公开演示前注意脱敏。
如果你不确定某个具体场景该用哪份数据，或想快速比对多个数据集的标注与授权细节，可以留言或者私信我会给你解答，你再结合各数据集官方页面交叉比对授权条款与最新规模数据，再做选择。